一般來講 ，懂L的對這個信息進行更複雜 、看完就越關注這個詞。别人

同樣通過一個FFN網絡進行深度加工，吹年decoder什麽的文搞 ，

這就是懂L的單一的 Self-Attention。Llama 都堆到了幾十層甚至上百層
。看完更深度的别人非線性變換。

實際可以開12 個
、吹年而不僅僅是做簡單的線性組合。並在開頭加上起始符 ，

03｜殘差連接 + LayerNorm：讓訓練更穩定

Self-Attention 隻是“加工”了一遍詞向量，真正理解下 Transformer 究竟是何方神聖
。encoder
、

但這其實也是一個 超參（Hyperparameter） 。

最後對 V 進行加權求和，

① Output Embedding：先把輸出詞變向量

理解方式和輸入一樣  ，起不到訓練效果。

06｜Decoder 如何像人一樣“輸出”內容
？

Decoder是模型的“寫作器” ，並再次經過Add & Norm。

最終總結

通過本文的講解，DeepSeek 背後的秘密，什麽自注意力機製啊 、下麵我們就來一步步通俗理解下這張架構圖的深層含義。可以看到確實存在明顯區別 ：

這就是 Multi-Head Attention 的直觀體現。

句子中的每個詞都會生成 3 個向量 ：

• Q（Query）我想找什麽 ？
• K（Key）我是誰？我有什麽特征？
• V（Value）我的實際含義是什麽？

它們不是概念，

接下來 
，因此模型本身無法“天然”感知詞的先後關係
。

這其實也是模型訓練堆GPU能“大力出奇跡”的理論基礎
。模型越大、需要把標準答案整體右移一位 ，讓每個詞清楚自己的“位置” 。我們一步步拆解了Transformer的核心機製：從詞向量化與位置編碼奠定基礎，

04｜Feed Forward 網絡（FFN） ：進一步加工語義

Attention層負責廣撒網，

在Multi-Head Attention（即論文中的Encoder-Decoder Attention層）中“請教”Encoder的最終輸出，逐詞生成”
。向量化這一步非常基礎，

首先，成為當今所有大語言模型的基石 ，

05｜重複 N 次：論文是 6 層，也能堆更多層。從更多視角掃描句子。連接輸入和輸出，

後來的 BERT 、

注意力頭的數量是一個超參（Hyperparameter），用於後續計算。其工作嚴格遵循架構圖右側流程
，同時又不需要多餘的訓練成本
。相當於給模型做一個填空題：

題目: <start> 我 愛

此時模型看到的是：

<start> 我 愛

也就是右移一格  。隻解讀圖表，隻能接受數字
 。核心是 “從左到右
，

② Shifted Right：防止模型“偷看答案”

在模型訓練階段
，每個注意力頭可以關注不同的視角
，

所以需要額外告訴模型 ：

“這是第 1 個詞，

下圖是論文最後給出的一個簡單示例，就是下一個要生成的詞。後麵這個字是啥，

層數越多、論文中的例子是並行開 8 個注意力頭。卻很少有人能真正地說清楚。讓 Decoder 可以“請教 Encoder”：

“你生成的詞和輸入序列的哪些部分相關 ？”

例如翻譯 "I Love You" ：

• 生成 "我" 時，

  Encoder通過堆疊N個相同的層來逐步深化對輸入的理解；Decoder的每個層則嚴格遵循一個更複雜的處理流程
  ：

  在Masked Multi-Head Attention中確保生成時不會“偷看”未來 ，直接抄就可以啊，

  當提起 Transformer 這個話題時，會有類似這樣的一組概率：

  你：71%
  他 ：16%
  它 ：11%
  其它：2%

  選概率最高的
  ，它需要依次填出三個空：

  第一個空
  ：題目是 <start> ______第二個空：題目是 <start> 我 ______第三個空：題目是 <start> 我 愛 ______

  ④ Multi-Head Attention- “請教Encoder”

  Decoder 在生成新詞時，但也是理解後麵一切的起點 。得到“新含義”。再通過殘差連接與LayerNorm保障訓練的穩定性，這層 Attention 是橋梁，而是實實在在的矩陣乘法結果 。需要把每個詞轉換成一個向量，需要參考 Encoder 的輸出 。並經過Add & Norm  。先引用這篇論文中的關於 Transformer 這個模型的整體架構圖：

  

  上來直接就看架構圖是不是有些暈？

  沒關係，為啥又需要 Multi-Head Attention 呢 ？

  因為我們需要從多個角度來理解自然語言。這是第 2 個詞……”

論文使用了 sin + cos 函數計算的位置編碼方式 ，可能主要關注輸入的 "You"

也就是說它和上麵的 Shifted Right協同工作，

今天我們就從這篇最初的論文出發，最後由FFN進行深度非線性變換以增強特征表達。

又暈了
？其實通俗來講就是 ：Attention 負責找關係，

③ Q / K / V ：Self-Attention 的靈魂

這是最讓人拍案叫絕的設計之一。

② Positional Encoding：給模型裝上“位置感”

Transformer 沒有像傳統 RNN 那樣按順序逐詞處理輸入，

最終，每個詞被映射成一個向量，

sin/cos 位置編碼乍一看有點數學味，但對模型來說是非常簡單高效的 
。

圖的左邊一側Input（輸入），

於是：

原始輸入 + 注意力結果 → 做 LayerNorm 歸一化（對應架構圖中 Add & Norm）

這個殘差結構讓訓練穩定得多 ，

如果你想對當下 AI LLM(大語言模型) 的工作原理有所了解，成體係地給身邊其他人講清楚 Transformer 工作原理，

所以 ，

02｜為什麽需要 Multi-Head Attention？

有了單一的 Self-Attention ，

論文中描述FFN的關鍵內容參考如下 ：

簡單理解它就是一個非常樸素的兩層全連接網絡 ：

Linear → ReLU → Linear

FFN 的結果是 ：讓每個 token 得到更豐富
、Decoder的輸出經由Linear+Softmax層轉換為下一個詞的概率分布 。這樣模型才能表達更複雜的模式，但若深入追問細節 ，描述了針對同一段文字，48 個甚至更多的注意力頭
，完美詮釋了 Attention is All You Need的革命性思想 。讓 Transformer 能分辨詞的“位置”，GPT、可以加更多

論文裏 Encoder Nx這裏是堆了 6 層 。句子裏的每個詞都會 ：

拿著自己的 Q 到其他詞的 K 那裏去“打分”
，可擴展的對稱性設計（Encoder與Decoder層具有相似的核心結構）  ，問：
“你跟我有多相關 ？”

打分越高，

比如模型要開始做這張填空卷了。FFN 負責提升表達力。把相關信息搜集到一起；

FFN則負責深加工，但我們肯定還不能丟掉原始信息
。旨在讓更多讀者看完就能通俗地 、例如：

• 有些頭專注於主謂關係
• 有些頭捕捉代詞指代
• 有些頭看句子情感
• 有些頭看名詞短語邊界
• 有些頭看長距離依賴
• 有些頭捕捉句法樹結構
• ...

Transformer 不是隻看一個角度，輸出 "我愛你"
。

它像給每個位置貼上一段獨一無二的“節奏標簽”，

本文不討論公式 ，到Self-Attention與Multi-Head Attention實現多視角的語義捕捉，兩個不同的注意力頭所展現出的各自關係，

③ Masked Multi-Head Attention：遮住未來

有同學說了，已經成為當下所有大模型的基礎。揭開 ChatGPT、例如：

我 → [0.12, -0.88, 0.43, ...]

這裏簡化了精度方便閱讀，更抽象的特征表達，

① Input Embedding：把詞變成數字向量

模型不認識“我”、模型還是可以看到答案的一部分，從而真正理解它究竟為什麽如此火爆 。“你”
、整體代表Encoder；右邊一側Output（輸出） ，